【技术实现步骤摘要】
基于退化模型的超分辨率图像重建方法及系统
[0001]本专利技术涉及图像处理
,具体来说涉及一种基于退化模型的超分辨率图像重建方法及系统。
技术介绍
[0002]随着移动互联网的快速发展,智能设备逐渐普及到生活的每个角落。随之而来的是大量真实的图像数据,由于存储和传输的需要,这些图片的质量会被压缩,为了使用户获得更加高质量的视觉体验,图像恢复/超分辨率算法应运而生。超分辨率作为一项底层视觉任务,广泛应用于图片、视频修复技术中,从而实现以较低的储存和传输成本获得更高清的视觉感受。
[0003]图像超分辨率(Super Resolution,SR)是指从低分辨率(Low Resolution,LR)图像中恢复高分辨率(High Resolution,HR)图像的过程,其研究方向大致可以归结为两类:一类是研究超分模型,随着深度学习技术的飞速发展,基于深度学习的图像超分模型得到了积极探索,并经常在SR的各种基准上取得良好的性能,这些模型大多都是基于模拟数据集训练的,例如EDSR、ESRGAN等;另一类是研究退化模型,模拟真实世界的图像退化过程,用来构造训练数据对,实现盲超分,同时改善真实世界图像的超分效果,例如KernelGAN、RealSR等。
[0004]实际应用中,低分辨率图像的退化过程往往是非常复杂而且不可知的,当图像超分的预假设退化模型与真实图像的退化方式不匹配时,模型的性能会下降,甚至出现负面效果现象,因此在模拟数据集上训练的单图像超分辨率(Single Image Super Resolu ...
【技术保护点】
【技术特征摘要】
1.基于退化模型的超分辨率图像重建方法,其特征在于,包括以下步骤:步骤1、采集真实的图像数据,构成源数据集X,并从源数据集X中随机抽取部分图像数据进行清洗得到高分辨率图像数据集Y;步骤2、基于源数据集X估计模糊核,搭建模糊核收集池;步骤3、基于源数据集X提取噪声块,搭建噪声收集池;步骤4、分别从模糊核收集池和噪声收集池中随机挑选模糊核和噪声块,基于广义的退化模型,根据挑选的模糊核和噪声块并采用基于插值的降采样方法,将高分辨率图像数据集Y中的高分辨率图像退化成低分辨率图像,构造有监督的SR样本;步骤5、使用构造的有监督的SR样本,训练基于深度残差网络的图像超分模型,基于所述图像超分模型获得超分辨率图像。2.如权利要求1所述的基于退化模型的超分辨率图像重建方法,其特征在于,步骤1中,所述真实的图像数据通过图像采集设备进行采集,具体方法包括:通过调节图像采集设备的分辨率,采集不同分辨率的真实图像。3.如权利要求1所述的基于退化模型的超分辨率图像重建方法,其特征在于,步骤1中,对部分图像数据进行清洗的方法包括:I
HR
=(I
src
*k
bic
)
↓
sc
;其中,I
src
∈X,I
src
表示真实的图像数据,k
bic
属于双三次核,
↓
sc
表示步长为sc的降采样方法。4.如权利要求1所述的基于退化模型的超分辨率图像重建方法,其特征在于,步骤2中,所述搭建模糊核收集池的方法包括:将模糊核收集池初始化为空集;分别针对源数据集X中的所有低分辨率图像估计模糊核,并将模糊核加入模糊核收集池中。5.如权利要求4所述的基于退化模型的超分辨率图像重建方法,其特征在于,所述模糊核的估计方法为KernelGAN方法。6.如权利要求1所述的基于退化模型的超分辨率图像重建方法,其特征在于,步骤3中,所述搭建噪声收集池的方法包括:将噪声收集池初始化为空集;分别针对源数据集X中的所有低分辨率图像采集噪声块,判断采集的噪声块是否满足预设滤波规则,若是,则将噪声块添加到噪声收集池中,所述预设滤波规则为:f(n
i
)<v;其中,n
i
表示采集的第i个噪声块,f(n
i
)表示方差计算函数,v表示方差最大值。7.如权利要求6所述的基于退化模型的超分辨率图像重建方法,其特征在于,所述噪声块的采集方法包括:假设噪声块n为零均值的加性噪声,则I
noise
=I
clean
+n,其中,I
clean
表示干净不含噪声的图像,I
noise
表...
【专利技术属性】
技术研发人员:郑敏娥,胡亮,张聃,展华益,
申请(专利权)人:四川启睿克科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。